空气分离装置的控制系统及其方法制造方法及图纸

一种空气分离装置的控制系统及其方法，其获取预定时间段内多个预定时间点的气体压力值以及多个预定时间点的阀门开度值；采用基于深度学习的人工智能技术，挖掘气体压力值的时序动态变化特征和阀门开度值的时序动态变化特征，并进行二者的关联性特征信息的充分表达，基于此自适应地调整压力控制阀门的开度值，以确保设备运行稳定和气体输出的质量。以确保设备运行稳定和气体输出的质量。以确保设备运行稳定和气体输出的质量。

【技术实现步骤摘要】
空气分离装置的控制系统及其方法


[0001]本申请涉及智能化控制
，并且更具体地，涉及一种空气分离装置的控制系统及其方法。

技术介绍

[0002]空气分离装置是一种用于将空气中的各种气体分离出来的设备，它利用了不同气体的沸点或分子大小等物理属性的差异，通过冷却、压缩和膜分离等技术将氧气、氮气、稀有气体等分离出来。这些被分离出来的纯气体可以用于工业制造、医疗用途、科学实验等领域。
[0003]自动调节压力是空气分离装置的一个重要功能之一，其作用是通过传感器监测气体压力变化，并自动调整阀门的开度，以确保设备运行稳定和气体输出的质量。这个功能的重要性在于：保证设备正常运行。当压力过高或过低时，会对设备的正常运行产生负面影响。例如，压力过高可能导致设备超负荷运行、破坏部件或引发安全事故；压力过低则可能导致设备无法正常工作，从而影响气体输出的质量和稳定性。
[0004]因此，期望一种优化的空气分离装置的控制系统。

技术实现思路

[0005]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种空气分离装置的控制系统及其方法，其获取预定时间段内多个预定时间点的气体压力值以及多个预定时间点的阀门开度值；采用基于深度学习的人工智能技术，挖掘气体压力值的时序动态变化特征和阀门开度值的时序动态变化特征，并进行二者的关联性特征信息的充分表达，基于此自适应地调整压力控制阀门的开度值，以确保设备运行稳定和气体输出的质量。
[0006]第一方面，提供了一种空气分离装置的控制系统，其包括：数据参数采集模块，用于获取预定时间段内多个预定时间点的气体压力值以及所述多个预定时间点的阀门开度值；参数时序排列模块，用于将所述多个预定时间点的气体压力值以及所述多个预定时间点的阀门开度值分别按照时间维度排列为气压压力输入向量和阀门开度输入向量；参数时序关联模块，用于对所述气压压力输入向量和所述阀门开度输入向量进行关联编码以得到协同矩阵；多尺度参数协同关联编码模块，用于将所述协同矩阵通过包含第一卷积神经网络和第二卷积神经网络的集成模型以得到多尺度协同特征矩阵，其中，所述第一卷积神经网络和所述第二卷积神经网络具有不同的特征感受野；阀门开度时序变化特征提取模块，用于将所述阀门开度输入向量通过多尺度邻域特征提取模块以得到阀门开度时序特征向量；特征查询模块，用于以所述阀门开度时序特征向量作为查询特征向量，计算其与所述多尺度协同特征矩阵之间的乘积以得到分类特征向量；以及阀门开度控制模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的阀门开度值应增大或应减小。
[0007]在上述空气分离装置的控制系统中，所述参数时序关联模块，用于：以如下编码公
式对所述气压压力输入向量和所述阀门开度输入向量进行关联编码以得到协同矩阵；其中，所述编码公式为：，其中，表示所述气压压力输入向量，表示所述气压压力输入向量的转置向量，表示所述阀门开度输入向量，表示所述协同矩阵，表示矩阵相乘。
[0008]在上述空气分离装置的控制系统中，所述多尺度参数协同关联编码模块，包括：第一尺度参数协同关联特征提取单元，用于将所述协同矩阵通过所述集成模型的第一卷积神经网络以得到第一尺度子特征矩阵；第二尺度参数协同关联特征提取单元，用于将所述协同矩阵通过所述集成模型的第二卷积神经网络以得到第二尺度子特征矩阵；以及，多尺度特征融合单元，用于将所述第一尺度子特征矩阵和所述第二尺度子特征矩阵进行基于特征尺度的融合以得到所述多尺度协同特征矩阵。
[0009]在上述空气分离装置的控制系统中，所述第一尺度参数协同关联特征提取单元，用于使用所述集成模型的第一卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、池化处理和非线性激活处理以由所述集成模型的第一卷积神经网络的最后一层的输出为第一尺度子特征矩阵，所述集成模型的第一卷积神经网络的第一层的输入为所述协同矩阵。
[0010]在上述空气分离装置的控制系统中，所述多尺度特征融合单元，用于：以如下优化公式将所述第一尺度子特征矩阵和所述第二尺度子特征矩阵进行基于尺度认知的高斯联合密度融合以得到所述多尺度协同特征矩阵；其中，所述优化公式为：，其中，和分别表示所述第一尺度子特征矩阵和所述第二尺度子特征矩阵，和分别是所述第一尺度子特征矩阵和所述第二尺度子特征矩阵中各个位置的特征值，和分别是所述第一尺度子特征矩阵和所述第二尺度子特征矩阵的所有特征值的特征集合的均值和方差，是特征矩阵的尺度，和分别是特征矩阵的宽度和高度，且是所述多尺度协同特征矩阵的各个位置特征值，表示计算以所述数值为幂的自然指数函数值。
[0011]在上述空气分离装置的控制系统中，所述多尺度邻域特征提取模块，包括：并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的融合层，其中，所述第一卷积层使用具有第一尺度的一维卷积核，所述第二卷积层使用具有第二尺度的一维卷积层，所述第一尺度不同于所述第二尺度。
[0012]在上述空气分离装置的控制系统中，所述阀门开度时序变化特征提取模块，包括：第一尺度提取单元，用于使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述阀门开度输入向量进行一维卷积编码以得到第一尺度阀门开度特征向量；其
中，所述第一卷积公式为：，其中，为第一一维卷积核在方向上的宽度、为第一一维卷积核参数向量、
ꢀꢀ
为与第一一维卷积核函数运算的局部向量矩阵，为第一一维卷积核的尺寸，表示所述阀门开度输入向量，表示对所述阀门开度输入向量进行一维卷积编码；第二尺度提取单元，用于使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述阀门开度输入向量进行一维卷积编码以得到第二尺度阀门开度特征向量；其中，所述第二卷积公式为：，其中，为第二一维卷积核在方向上的宽度、为第二一维卷积核参数向量、为与第二一维卷积核函数运算的局部向量矩阵，为第二一维卷积核的尺寸， 表示所述阀门开度输入向量， 表示对所述阀门开度输入向量进行一维卷积编码；以及，级联单元，用于使用所述多尺度邻域特征提取模块的融合层对所述第一尺度阀门开度特征向量和所述第二尺度阀门开度特征向量进行级联以得到所述阀门开度时序特征向量。
[0013]在上述空气分离装置的控制系统中，所述特征查询模块，用于：以如下查询公式计算所述阀门开度时序特征向量与所述多尺度协同特征矩阵之间的乘积以得到分类特征向量；其中，所述查询公式为：，其中， 表示所述多尺度协同特征矩阵，表示所述阀门开度时序特征向量，表示所述分类特征向量，表示向量相乘。
[0014]在上述空气分离装置的控制系统中，所述阀门开度控制模块，包括：全连接编码单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
[0015]第二方面，提供了一种空气分离装置的控制方法，其包括：获取预定时间段内多个预定时间本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种空气分离装置的控制系统，其特征在于，包括：数据参数采集模块，用于获取预定时间段内多个预定时间点的气体压力值以及所述多个预定时间点的阀门开度值；参数时序排列模块，用于将所述多个预定时间点的气体压力值以及所述多个预定时间点的阀门开度值分别按照时间维度排列为气压压力输入向量和阀门开度输入向量；参数时序关联模块，用于对所述气压压力输入向量和所述阀门开度输入向量进行关联编码以得到协同矩阵；多尺度参数协同关联编码模块，用于将所述协同矩阵通过包含第一卷积神经网络和第二卷积神经网络的集成模型以得到多尺度协同特征矩阵，其中，所述第一卷积神经网络和所述第二卷积神经网络具有不同的特征感受野；阀门开度时序变化特征提取模块，用于将所述阀门开度输入向量通过多尺度邻域特征提取模块以得到阀门开度时序特征向量；特征查询模块，用于以所述阀门开度时序特征向量作为查询特征向量，计算其与所述多尺度协同特征矩阵之间的乘积以得到分类特征向量；以及阀门开度控制模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的阀门开度值应增大或应减小。2.根据权利要求1所述的空气分离装置的控制系统，其特征在于，所述参数时序关联模块，用于：以如下编码公式对所述气压压力输入向量和所述阀门开度输入向量进行关联编码以得到协同矩阵；其中，所述编码公式为：，其中，表示所述气压压力输入向量，表示所述气压压力输入向量的转置向量，表示所述阀门开度输入向量，表示所述协同矩阵，表示矩阵相乘。3.根据权利要求2所述的空气分离装置的控制系统，其特征在于，所述多尺度参数协同关联编码模块，包括：第一尺度参数协同关联特征提取单元，用于将所述协同矩阵通过所述集成模型的第一卷积神经网络以得到第一尺度子特征矩阵；第二尺度参数协同关联特征提取单元，用于将所述协同矩阵通过所述集成模型的第二卷积神经网络以得到第二尺度子特征矩阵；以及多尺度特征融合单元，用于将所述第一尺度子特征矩阵和所述第二尺度子特征矩阵进行基于特征尺度的融合以得到所述多尺度协同特征矩阵。4.根据权利要求3所述的空气分离装置的控制系统，其特征在于，所述第一尺度参数协同关联特征提取单元，用于使用所述集成模型的第一卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、池化处理和非线性激活处理以由所述集成模型的第一卷积神经网络的最后一层的输出为第一尺度子特征矩阵，所述集成模型的第一卷积神经网络的第一层的输入为所述协同矩阵。5.根据权利要求4所述的空气分离装置的控制系统，其特征在于，所述多尺度特征融合单元，用于：以如下优化公式将所述第一尺度子特征矩阵和所述第二尺度子特征矩阵进行基于尺度认知的高斯联合密度融合以得到所述多尺度协同特征矩阵；其中，所述优化公式
为：，其中，和分别表示所述第一尺度子特征矩阵和所述第二尺度子特征矩阵，和分别是所述第一尺度子特征矩阵和所述第二尺度子特征矩阵中各个位置的特征值，和分别是所述第一尺度子特征矩阵和所述第二尺度子特征矩阵的所有特征值的特征集合的均值和方差，是特征矩阵的尺度，和分别是特征矩阵的宽度和高度，且是所述多尺度协同特征矩阵的各个位置特征值，表示计算以所述数值为幂的自然指数函数值。6.根据权利要求5所述的空气分离装置的控...

【专利技术属性】
技术研发人员：黄媛玲，江家祥，李凌盛，
申请(专利权)人：福建德尔科技股份有限公司，
类型：发明
国别省市：